新·ARMA现代谱估计.pptVIP

上海大学 ARMA谱估计 现代谱估计简介 现代谱估计技术的研究和应用主要起始于20世纪60年代，在分辨率的可靠性和滤波性能方面有较大的进步。现代谱估计从方法上大致可以分为参数模型估计和非参数模型估计两种。 随机过程的参数模型方法是现代谱估计的主要方法之一，也称其为参数模型方法或者简称模型方法。基于参数建模的功率谱估计是现代功率谱估计的重要内容，其目的就是为了改善功率谱估计的频率分辨率，它主要包括AR模型，MA模型，ARMA模型，其中基于AR模型的功率谱估计是现代功率谱估计的最常用的一种方法，这是因为AR模型参数的精确估计可以通过求解一组线性方程得到，而对于MA和ARMA来说，其参数的精确估计需要求解一组高阶非线性方程。 平稳随机信号的参数模型 参数模型法的思路是： ?假定研究的过程X(n)是一个输入序列u(n)激励一个线性系统H(z)的输出。 ?有已知的X(n)，或其自相关函数 来估计H(z)的参数。 ?由H(z)的参数来估计X(n)的功率谱。 平稳随机信号的参数模型 H(z)是一个因果的线性移不变的离散时间系统，同时，它也是一个稳定系统，其单位样值响应h(n)是确定性的。输出序列X(n)可以是平稳的随机序列，也可以是确定的时间序列。若X(n)是确定的，那么u(n)是一个冲激序列，若X(n)是随机的，那么u(n)应该是一个白噪声序列。 不论X(n)是确定性信号还是随机信号，u(n)与X(n)之间总有如下输入输出关系： 平稳随机信号的参数模型 对(1)(2)是两边分别取Z变换，并假定 =1，可得： 其中： 平稳随机信号的参数模型 为了保证H(z)是稳定的最小相位系统，A(z)和B(z)的零点都应该在单位圆内。 假定u(n)是一个方差为 的白噪声序列，由随机信号通过线性系统的理论可知，输出序列X(n)的功率谱为： 这样,如果激励白噪声的方差 及模型的参数 已知，那么由上式可以求出X(n)的功率谱。 AR（auto-regressive）模型 在(1)中，若 全为零；那么(1)(3)及(4)式分别变为： 此三式给出的模型为自回归模型，即AR模型，它是一个全极点的模型。自回归的含义是：该模型现在的输出是现在的输入和过去p个输出的加权和。 AR（auto-regressive）模型 AR模型的自相关函数满足如下Yule-Walker方程： 取m=0,1.....p,可得如下的矩阵方程： AR（auto-regressive）模型 以上(8)(9)两式就是AR模型的正则方程，也被称为Yule-Walker（尤尔-沃克）方程。 在实际计算中，已知长度为N的序列，可以估计其自相关函数 ，再利用矩阵方程，直接求出参数 及 ，于是可以求出功率谱的估计值。综上所述，基本的AR谱估计的计算方法为： （1）根据待估计信号的观测数据，估计出该信号的自相关函数； （2）对信号的AR模型，选择恰当的模型阶数p； AR（auto-regressive）模型 （3）利用Yule-Walker线性方程组求解该信号的AR模型参数 及 ； （4）根据下式计算信号的功率谱： 阶数p的选择一般依据三个准则，但是这三个准则也只是为阶数选择提供一个依据，对所研究的某一个具体信号X(n),究竟阶数取多少为好，还要在实践中对所得结果比较之后确定。一般p太小，则图像过于平缓，p太大，可能出现很多旁瓣，一般选择的阶数不能大于序列长度的一半。 MA(moving-average)模型 在(1)中，若 全为零；那么(1)(3)及(4)式分别变为： 此三式给出的模型称为滑动平均模型,简称MA模型，它是一个全零点的模型。 ARMA模型 在(1)中，若 都不全为零；则(1)式给出的模型称为自回归滑动平均模型，简称ARMA模型。显然，ARMA模型是既有零点，又有极点的模型。 ARMA模型的参数估计： 因为ARMA(p,q)模型常写成下列形式： 其中 是零均值，方差为 的白噪声，p,q分别为自回归(AR)和滑动平均(MA)的阶数。 ARMA模型的